数据建模与分析
数据建模与分析工作总结
数据建模与分析工作总结在当今数字化的时代，数据已经成为企业和组织决策的重要依据。
作为一名数据建模与分析人员，我在过去的一段时间里，致力于从海量的数据中挖掘有价值的信息，为企业的发展提供支持。
以下是我对这段时间工作的总结。
一、工作背景与目标随着企业业务的不断拓展和数据量的急剧增长，对数据的有效管理和分析变得至关重要。
我的工作目标就是通过建立准确的数据模型，深入挖掘数据背后的潜在规律和趋势，为企业的决策提供科学依据，以提升企业的竞争力和运营效率。
二、工作内容与成果1、数据收集与整理首先，需要从多个数据源收集数据，包括内部的业务系统、数据库，以及外部的市场调研数据等。
在收集过程中，确保数据的完整性和准确性。
然后，对收集到的数据进行清洗和整理，去除重复、错误和缺失的数据，为后续的分析和建模做好准备。
通过这一阶段的工作，成功建立了一个规范化的数据仓库，提高了数据的质量和可用性。
2、数据建模根据业务需求和数据特点，选择合适的数据建模方法，如关系型数据库建模、数据仓库建模、数据挖掘建模等。
在建模过程中，充分考虑数据的存储结构、查询效率和数据一致性等问题。
例如，为了优化销售数据的存储和查询，建立了一个基于星型模式的数据仓库模型，大大提高了销售数据分析的效率。
3、数据分析运用各种数据分析技术和工具，对建模后的数据进行深入分析。
包括描述性统计分析、相关性分析、回归分析、聚类分析等。
通过分析，发现数据中的潜在规律和趋势，为业务决策提供支持。
在一次市场调研数据分析中，通过聚类分析将客户分为不同的群体，并针对每个群体的特点制定了个性化的营销策略，取得了显著的市场效果。
4、模型评估与优化建立模型后，对模型进行评估和验证，确保模型的准确性和可靠性。
通过使用测试数据集和实际业务数据对模型进行验证，根据评估结果对模型进行优化和改进。
曾经有一个预测模型的准确率不高，经过对数据特征的重新选择和算法的调整，成功提高了模型的预测准确率。
高效的数据分析与数据建模技术
高效的数据分析与数据建模技术数据分析与数据建模技术是在当今信息时代非常重要的技能。
随着大数据的兴起，数据分析和建模的需求越来越大，这对于企业的发展和决策起着至关重要的作用。
本文将从数据分析和数据建模的概念、技术工具、应用领域以及未来发展趋势等方面来进行详细介绍。
一、数据分析与数据建模的概念1.数据分析数据分析是指通过统计、数学和计算机科学等手段，对大量数据进行分析和解释，从而找出数据中的规律、趋势和规律性的过程。
数据分析可以帮助企业了解市场动态、用户行为、产品趋势等，并作出相应的决策。
数据分析的方法包括描述性分析、推论性分析和预测性分析等。
2.数据建模数据建模是指通过对数据进行分析和处理，建立数学模型来描述数据的特征和规律。
数据建模可以帮助企业预测未来趋势、优化决策、发现潜在问题等。
数据建模的方法包括回归分析、分类分析、聚类分析、时间序列分析等。
二、数据分析与数据建模的技术工具1.统计分析软件统计分析软件是数据分析和数据建模的重要工具，常用的统计软件有SPSS、SAS、R、Python等。
这些软件具有丰富的数据分析和建模函数，可以帮助用户进行数据处理、统计分析、建模和可视化等工作。
2.数据挖掘工具数据挖掘工具是用于在大规模数据中发现隐藏模式和规律的工具，常用的数据挖掘工具有Weka、RapidMiner、Orange等。
这些工具可以帮助用户进行关联规则挖掘、聚类分析、分类分析、异常检测等工作。
3.机器学习工具机器学习工具是一种可以从数据中学习和改进性能的工具，常用的机器学习工具有TensorFlow、scikit-learn、Keras等。
这些工具可以帮助用户构建各种复杂的机器学习模型，如神经网络、支持向量机、决策树等。
4.可视化工具可视化工具是用于将数据以图表、图形等形式展示出来的工具，常用的可视化工具有Tableau、Power BI、Matplotlib等。
这些工具可以帮助用户直观地理解数据，发现数据之间的关系和规律。
数据建模与分析
数据建模与分析在当今数字化的时代，数据已成为企业和组织决策的重要依据。
数据建模与分析作为处理和理解数据的关键手段，正发挥着日益重要的作用。
数据建模，简单来说，就是将现实世界中的问题或现象转化为数学或逻辑上的表示形式。
它就像是为数据搭建一个结构框架，让原本杂乱无章的数据变得有规律可循。
比如说，在一个电商平台上，我们要分析用户的购买行为。
通过数据建模，我们可以将用户的各种信息，如年龄、性别、购买历史、浏览记录等，转化为可量化和可分析的形式。
数据建模的第一步通常是明确问题和目标。
我们要清楚地知道，通过这次建模和分析，我们想要解决什么问题，是要提高销售额，还是优化用户体验？明确了目标之后，就需要收集相关的数据。
这可能涉及到从多个数据源获取信息，包括数据库、日志文件、调查问卷等等。
在收集到数据后，接下来就是数据清洗和预处理。
这一步骤至关重要，因为原始数据往往存在缺失值、错误值和重复数据等问题。
如果不加以处理，这些“脏数据”会严重影响后续的分析结果。
比如说，在一份销售数据中，如果存在价格录入错误的情况，那么基于这样的数据得出的销售额分析就会完全不准确。
经过清洗和预处理的数据，就可以进行建模了。
常见的数据建模方法包括关系模型、层次模型和面向对象模型等。
关系模型是大家比较熟悉的，它通过表格的形式将数据组织起来，每个表格代表一个实体，表格之间通过关联来反映实体之间的关系。
层次模型则像一棵倒置的树，将数据按照层次结构进行组织。
面向对象模型则将数据和操作封装在一起，更符合面向对象编程的思想。
选择合适的建模方法取决于具体的问题和数据特点。
比如，如果数据之间的关系比较复杂，可能就需要使用面向对象模型；如果数据的结构比较清晰简单，关系模型可能就足够了。
而数据分析，则是在建立好的数据模型基础上，运用各种统计方法和技术，挖掘数据中隐藏的信息和规律。
数据分析可以帮助我们回答各种各样的问题。
比如，通过分析销售数据，我们可以了解哪些产品最受欢迎，哪些地区的销售额最高，以及不同时间段的销售趋势如何。
统计学中的数据分析与建模研究
统计学中的数据分析与建模研究第一章绪论统计学是一门关于收集、归纳、分析和解释数据的学科，而数据分析和建模是统计学中最重要的分支之一。
随着现代科技的发展，大量数据的收集与存储形成了所谓的“大数据”时代，对数据的有效分析、建模与预测能力也越来越受到重视。
本文将介绍统计学中的数据分析与建模研究，包括数据分析的基础知识、数据分析方法和常用的建模技术，以及它们在日常生活、经济和金融、医疗保健等领域中的应用。
第二章数据分析的基础知识数据代表什么意义？数据的种类？数据的质量怎么样？以上问题是数据分析的基础，需要对这些问题有一定的了解。
2.1 数据的种类数据可以分为定量数据和定性数据两种类型。
其中定量数据又可分为连续变量和离散变量两种类型。
连续变量是指其取值可以是任何数值，例如身高、体重、温度、时间等；离散变量是只能取某些特定值的变量，例如性别、血型、整数等。
定性数据则是指某些属性或特征的描述，例如颜色、形状、类型、种类等。
2.2 数据的质量数据的质量与数据的收集方法、数据来源和数据处理方式相关。
数据分为完整性、精确性和一致性三个方面。
完整性是指数据是否完整无缺失，精确性是指数据的准确度和精度是否符合实际情况，一致性是指数据在不同的来源和时间点是否一致。
如果数据的质量差，那么后续的分析和建模结论都可能会有漏洞。
第三章数据分析方法在统计学中，数据分析主要包括四种技术：描述性统计学、推论统计学、预测统计学和因果统计学，以下是这些技术的具体介绍：3.1 描述性统计学描述性统计学可以描述和总结数据，使用的方法包括图表、频率分布、中心趋势、离散度和相关性分析等。
这些方法可以让数据更容易理解，并帮助观察者得出结论。
例如直方图和饼图可帮助我们了解数据的分布；中心趋势指标（平均数、中位数、众数）可帮助我们了解数据的“平均值”或“标准值”；相关性分析可帮助我们理解不同变量之间的关系。
3.2 推论统计学推论统计学可以对一个总体的特征进行估计和推断，同时也可以估计统计量本身的精确度。
数据分析和建模的技术和工具介绍
数据分析和建模的技术和工具介绍随着现代社会的高速发展，数据已经成为企业及个人决策的重要依据。
正确地理解和分析数据，可以为企业提供准确的市场情报，优化运营流程，提升工作效率。
在此基础上，为了更准确地预测未来的发展趋势，数据建模技术也越来越受到关注。
本文将对数据分析和建模技术及相关工具进行介绍。
一、数据分析技术1.数据清洗和预处理在进行任何数据分析之前，首先需要对数据进行清洗和预处理，以保证数据的准确性和完整性。
数据清洗和预处理主要包括缺失值填充、异常值处理和重复值处理，可以采用Excel、Python、R、SPSS等工具进行处理。
2.可视化分析可视化分析是一种将数据呈现为简单易懂的图表或图像的分析方法。
通过可视化分析，可以更加直观地展示数据间的关系，包括数量、比例以及变化趋势等，在分析和决策中起到关键的作用。
目前常用的数据可视化软件包括Tableau、Power BI等。
3.统计分析统计分析是一种应用数学和统计学方法进行数据分析的方法。
统计学是研究数据的收集、处理、分析、解释和表达的学科。
统计分析可以通过假设检验、方差分析、回归分析等方法分析数据的特性、规律、趋势等。
二、数据建模技术1.机器学习机器学习是一种通过计算机自动学习模式以改进其表现的方法。
机器学习可以通过监督学习、非监督学习和强化学习等方法，对数据进行分类、聚类、回归等建模操作。
目前常用的机器学习库包括TensorFlow、Scikit-learn、Keras等。
2.深度学习深度学习是机器学习的一个分支，它使用神经网络模型来处理数据，能够识别更复杂的模式和结构。
深度学习模型主要应用于图像识别、语音识别、自然语言处理等领域。
深度学习库包括TensorFlow、PyTorch、Caffe等。
3.文本挖掘文本挖掘是一种从大规模文本数据中提取有用信息的技术。
文本挖掘主要包括分词、词性标注、实体识别等操作，可以通过机器学习、深度学习等方法对文本数据进行建模分析。
数据分析与数据建模
数据缺失与异常的处理
缺失数据处理
对于缺失的数据，可以采用插值、删除等方法进行处理。插值方法可以根据已有的数据点进行线性插 值或多项式插值；删除方法则直接将缺失的数据点删除。
异常值处理
对于异常值，可以采用删除、替换等方法进行处理。删除方法直接将异常值删除；替换方法则可以用 均值、中位数或众数等代替异常值。在处理异常值时，可以采用基于统计的方法，如Z分数法、IQR法 等，对异常值进行识别和判断。
预测未来销售趋势，制定合理的库存计 划和采购策略。
详细描述
分析消费者购买习惯和偏好，识别畅销 商品和滞销商品。
案例二：金融风控数据分析与数据建模
总结词：通过分析金融 交易数据，识别异常行 为和潜在风险，保障资
金安全。
01
监测交易活动，识别可 疑交易和欺诈行为。
03
预测市场走势，为投资 决策提供依据，降低投
04 数据分析方法与技术
描述性分析
总结
描述性分析是对数据进行简单的统计和整理 ，以揭示数据的基本特征和规律。
描述性分析步骤
数据收集、数据清洗、数据整理、数据展示 。
描述性分析工具
Excel、Tableau、Power BI等。
预测性分析
总结
预测性分析是通过建立数学模型，利用历史数据预测未来的趋势和 结果。
数据分析的重要性
数据分析在现代商业、科研、政府和社会等领域中发挥着越来越重要的作用。通过对数据进行深入分析，可以发 现隐藏的模式、趋势和关联，为决策提供有力支持，推动业务创新和改进。
数据分析的流程
数据清洗
对数据进行预处理，包括缺失 值处理、异常值处理、数据转 换等。
数据分析
运用统计分析、可视化等方法 ，深入挖掘数据中的信息。
如何进行数据分析与建模
如何进行数据分析与建模数据分析与建模是当今信息时代的重要技能之一，它可以帮助人们从海量数据中提取有用的信息，为决策提供支持。
本文将从数据收集、数据清洗、数据分析和建模四个方面进行探讨。
在进行数据分析与建模之前，首先需要进行数据收集。
数据收集可以通过各种途径进行，如调查问卷、观察记录、实验测量等。
然而，要想获得准确、可靠的数据，必须注意数据的来源和质量。
在数据收集过程中，应尽量消除数据误差和主观偏差，保证数据的真实性和客观性。
获得数据后，接下来需要进行数据清洗。
数据清洗是指对数据进行预处理和筛选，以保证数据的完整性和一致性。
在数据清洗过程中，可以采用删除异常值、填补缺失值、去除重复数据等方法来提高数据质量。
同时，还需要对数据进行归一化处理，以便于后续的数据分析和建模。
数据分析是数据科学中的核心环节，它涉及对数据进行统计分析、模式识别、关联规则挖掘等。
数据分析可以帮助人们发现数据背后潜在的规律和关联关系，进而为决策提供科学依据。
在进行数据分析时，可以使用各种统计工具和算法，如回归分析、聚类分析、关联规则挖掘等。
通过数据分析，可以对数据进行可视化展示，以便于更好地理解和解释数据。
数据建模是将数据分析的结果以模型的形式表达出来，用于预测和模拟。
数据建模可以用数学模型、统计模型、机器学习模型等方式进行。
在进行数据建模时，可以根据具体问题选择合适的建模方法和算法。
例如，在金融领域可以利用时间序列模型进行股票价格预测，在医疗领域可以利用分类算法进行疾病预测。
通过数据建模，可以对未来的情况进行预测，为决策提供参考。
数据分析与建模可以应用于各个领域，如金融、医疗、教育等。
在金融领域，数据分析与建模可以帮助投资者进行投资决策、风险管理和资产配置。
在医疗领域，数据分析与建模可以帮助医生进行疾病诊断、药物研发和健康管理。
在教育领域，数据分析与建模可以帮助学校进行学生评估、教学改进和课程设计。
然而，数据分析与建模也存在一些挑战和难点。
大数据分析师的数据分析和建模技术
大数据分析师的数据分析和建模技术随着现代科技的迅速发展，大数据分析和建模技术在各行各业中变得越来越重要。
作为大数据时代的重要组成部分，大数据分析师成为了企业中不可或缺的角色。
本文将介绍大数据分析师的数据分析和建模技术，探讨他们在数据科学领域中的应用。
一、数据分析与建模技术的概述数据分析是指根据数据集中的模式、关系和趋势，揭示其中的信息和内在规律的过程。
而数据建模则是指通过建立数学模型来描述和预测数据的行为。
数据分析和建模技术的目标是从数据中提取有价值的信息，以支持决策制定和业务发展。
二、大数据分析师的技术技能大数据分析师需要具备多方面的技能，包括数据处理、统计分析、数据可视化等。
以下是一些大数据分析师常用的技术技能：1. 数据收集与清洗：大数据分析师需要具备从各种数据源中收集数据的能力，并对数据进行清洗和预处理，以确保数据的准确性和完整性。
2. 数据挖掘与机器学习：数据挖掘技术可以帮助大数据分析师从庞大的数据集中发现隐藏的模式和规律。
机器学习算法则可以通过对数据的学习和训练，自动构建预测模型和分类模型。
3. 统计分析与建模：统计分析是大数据分析中的核心环节，通过运用统计方法和模型，分析数据的分布、相关性和可靠性。
建模技术则是基于统计分析的基础上，通过建立数学模型来描述和预测数据的行为。
4. 数据可视化与报告呈现：大数据分析师需要将复杂的数据信息以直观、易懂的方式展示给非技术人员。
数据可视化技术可以将数据通过图表、图形等形式呈现，帮助决策者更好地理解数据。
三、大数据分析师的应用案例大数据分析师的技术技能在各个行业中都有广泛的应用。
以下是几个典型的应用案例：1. 金融行业：大数据分析师可以通过对银行、保险等金融机构的大量数据进行分析和建模，帮助企业进行风险评估、信用评级、欺诈检测等工作。
2. 零售行业：大数据分析师可以通过对消费者购买行为和偏好的分析，帮助商家进行商品推荐、营销策略优化等工作，提升销售额和客户满意度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
系统分析与设计
主讲：郝晓玲 Hxling@
1
上海财经大学信息管理与工程学院
-1-
第8讲 数据分析与建模
本章主要内容
8.1 8.2 8.3 8.4 8.5 8.6 数据建模简介 数据建模的系统概念 逻辑数据建模过程 如何构造数据模型 分析数据模型 将数据需求映射到地点
8
上海财经大学信息管理与工程学院
-8-
第8讲 数据分析与建模
8.2.2 属性
Data type 数据类型 – 是属性的一个参数，定义了这个属性中可以存储什么类型 的数据。
表 8-1 逻辑数据类型 NUMBER TEXT 逻辑业务含义 任何数、实数或整数。 一个字符串，包括数字。当数字包含在TEXT属性中时，意味着我们不希望进行那些数字的 算术或比较运算。 同TEXT一样，但具有不确定的大小。某些业务系统要求能够附加潜在的长注解信息到一个 给定的数据库记录中 任何格式的日期 任何格式的时间 只能取这两个值中的一个值的属性 一个有限值集合。在大多数情况下，应该建立一个编码方案 （例如, FR=Freshman, SO=Sophomore, JR=Junior, SR=Senior). 任何图形或图像。 属性的有代表性的逻辑数据类型
16
上海财经大学信息管理与工程学院
-16-
第8讲 数据分析与建模
8.2.3 关系
关系还可以存在于两个以上 的不同实体之间，这种关系 有时被称为N维关系。 N维关系用一个新的称为关联 实体的实体结构说明。 关联实体是一个从多个其他 实体（称为父实体）继承其 主键的实体，其复合键的每 个部分指向每个连接实体的 一个且仅一个实例。
8.2.3 关系
Foreign key 外键 – 是一个实体的主键，它被贡献给（复 制到）另一个实体以确定一个关系实例. 外键总是与另一个实体的主键匹配 获得外键的实体为子实体 贡献主键的实体是父实体
19
上海财经大学信息管理与工程学院
-19-
第8讲 数据分析与建模
8.2.3 关系
主键
Student ID 2144 3122 3843 9844 2837 2293 Last Name Arnold Taylor Simmons Macy Leath Wrench First Name Betty John Lisa Bill Heather Tim Smith Jones Dorm Smith Jones Smith
First Name Betty John Lisa Bill Heather Tim -7-
Instance 实例
9844 2837 2293
7
上海财经大学信息管理与工程学院
第8讲 数据分析与建模
8.2.2 属性
Attribute 属性 – 是实体的描述性性质或特 征。同义词包括要素、性质和域。 Just as a physical student can have attributes, such as hair color, height, etc., a data entity has data attributes Compound attribute 组合属性 – 实际上是由 其他属性构成的属性。它在不同的数据建模 语言中有很多同义词：串联属性、合成属性 和数据结构。
3
上海财经大学信息管理与工程学院
-3-
第8讲 数据分析与建模
8.1数据建模简介
实体关系图（ERD） 实体关系图（ERD）
4
上海财经大学信息管理与工程学院
பைடு நூலகம்-4-
第8讲 数据分析与建模
8.2数据建模概念
8.2.1 实体 8.2.2 属性 8.2.3 关系
5
上海财经大学信息管理与工程学院
-5-
第8讲 数据分析与建模
Student
Is being studied by
is enrolled in
Curriculum
14
上海财经大学信息管理与工程学院
-14-
第8讲 数据分析与建模
8.2.3 关系
基数符号：
15
上海财经大学信息管理与工程学院
-15-
第8讲 数据分析与建模
8.2.3 关系
度数Degree 度数Degree——是参与那个关系的实体数量。 Degree 关系存在于两个实体之间称为二维关系。 关系也可以存在于同一实体的不同实例之间，我们称之为递归关系。 关系还可以存在于两个以上不同实体之间，这种关系有时被称为N维 关系。
2
上海财经大学信息管理与工程学院
-2-
第8讲 数据分析与建模
8.1数据建模简介
Data modeling 数据建模– 是一种组织和记录系统的数据的技术，有时被称 为数据库建模。 Entity relationship diagram (ERD) 实体关系图（ERD） – 是一种利用符 号记法按照数据描述的实体和关系来刻画数据的数据模型。
17
上海财经大学信息管理与工程学院
-17-
第8讲 数据分析与建模
8.2.3 关系
Associative entity 关 联实体 – 是一个从多个其他实体继 承其主键的实体。其复合 键的每个部分指向每个连 接实体的一个且仅一个实 例。
关联实体
18
上海财经大学信息管理与工程学院
-18-
第8讲 数据分析与建模
属性允许的默认值
例子 0 1.00 NONE NULL REQUIRED NOT NULL
Required or NOT NULL
11
上海财经大学信息管理与工程学院
-11-
第8讲 数据分析与建模
8.2.2 属性
Key 键 – 是一个属性（或一组属性），它们对每个实 体实例具有唯一的值。它有时也被称为标识符。 Concatenated key 复合键 – 是唯一地标识实体的一个 实例的一组属性。同义词包括组合键和合成健。 Candidate key 候选键 – 是一组可以作为一个实体的 主键的键。它有时被称为候选标识符。 Primary key 主键 – 是最常被用来唯一地确定一个实 体实例的候选键。Alternate key 替代键 – 是没有被 Alternate 选中作为主键的任何候选键。 子集准则Subsetting criteria ——是一个属性（或组合 子集准则 属性），其有限的取值范围把所有的实体实例分成了有 用的子集。这有时也称为反向条目。
10
上海财经大学信息管理与工程学院
-10-
第8讲 数据分析与建模
8.2.2 属性
Default value 默认值 – 是如果用户没有指定值的话将被记录 的值。
表8 - 3
默认值 A legal value from the domain NONE or NULL 解释 For an instance of the attribute, if the user does not specify a value, then use this value. For an instance of the attribute, if the user does not specify a value, then leave it blank. For an instance of the attribute, require that the user enter a legal value from the domain. (This is used when no value in the domain is common enough to be a default but some value must be entered.)
Student
Is being studied by
is enrolled in
Curriculum
13
上海财经大学信息管理与工程学院
-13-
第8讲 数据分析与建模
8.2.3 关系
Cardinality 基数 – 定义了一个实体相对于另一个关联实体的某个具体值的最小 和最大具体值数量。
bidirectional
–子实体被称为弱实体。
22
上海财经大学信息管理与工程学院
-22-
第8讲 数据分析与建模
8.2.3 关系
弱实体和非确定性关系的符号表示
23
上海财经大学信息管理与工程学院
-23-
第8讲 数据分析与建模
8.2.3 关系
用一个关联实体分解 非特定关系
Nonspecific relationship 非特定关 系 – 是一个实体的多个 实例同另一个实体的多 个实例相关联的关系， 也称为多对多关系。 非特定关系可以被分解 为两个一对多关系。每 个实体都成为一个父实 体，一个新的关联实体 被引入作为每个实体的 子实体
6 上海财经大学信息管理与工程学院 -6-
第8讲 数据分析与建模
8.2.1 实体
实体实例 Entity instance——实体的具体值
Entity 实体
Student ID 2144 3122 3843
Last Name Arnold Taylor Simmons Macy Leath Wrench
8.2.1 实体
实体Entity——是我们需要收集数据和存储数据的人、地点、对象、事件或概念的类 由单数名词命名
Persons 人员: 代理、承包人、客户、部门、分部、雇员、导师、学生 、供应商。人实体类可以表示个人、小组或组织。 Places 地点: 销售地区、建筑物、房间、分支办公室、校园。 Objects 对象: 图书、机器、部件、产品、原材料、软件许可证、软件包 、工具、汽车模型、汽车。对象实体可以表示实际的对象（例如：软件许 可证）或者一类对象的说明（例如，不同的软件包的说明） Events 事件: 应用、奖励、取消、分类、飞行、开发票、订单、注册、 续借、获取、预订、销售、旅行。 Concepts 概念: 账号、时间段、债券、课程、基金、资格、股票